OpenAudio-s1-mini：高效文本转语音生成工具

一、教程简介

OpenAudio-S1-mini 是由 Fish Audio 团队于 2025 年 5 月 26 日发布的开源文本转语音（TTS）模型。这是一种在自然语言处理任务中表现卓越的神经网络结构。同时，它还使用了多任务学习方法和先进的神经网络声码器，以实现高质量的语音合成。该项目支持包括中文在内的多种主流语言，使得用户在跨文化交流中能够自如地表达自己。仅需 15 秒的音频样本，便能迅速实现声音克隆，生成与目标声音高度相似的语音。

本教程采用资源为单卡 RTX 4090 。

二、项目示例

文本转语音 

三、运行步骤

1. 启动容器后点击 API 地址即可进入 Web 界面

2. 进入网页后，即可使用模型

若显示「Bad Gateway」，这表示模型正在初始化，由于模型较大，请等待约 1-2 分钟后刷新页面。  使用 Safari 浏览器时，音频可能无法直接播放，需要下载后进行播放。

使用步骤

2.1 文本转音频

参数说明：

• Advanced Config：
  • Iterative Prompt Length：迭代提示长度，0 表示关闭，非零值控制迭代生成语音时每次使用的提示文本长度。
  • Maximum tokens per batch：每批次最大令牌数，0 表示无限制，非零值限制每批处理的最大令牌数。
  • Top – P：核采样概率，控制生成文本的多样性和确定性。
  • Repetition Penalty：重复惩罚系数，用于控制生成文本中重复内容的频率，值越大越避免重复。
  • Temperature：温度系数，调节生成文本的随机性，值越大越随机。
  • Seed：随机种子，用于固定随机数生成，保证结果可复现。
• Reference Audio：
  • Use Memory Cache：选择是否使用内存缓存。
  • Reference Audio：上传音频文件（wav 文件），是被用作参考的音色内容。
  • Reference Text：输入上传的音频的文本内容。

四、交流探讨

🖌️ 如果大家看到优质项目，欢迎后台留言推荐！另外，我们还建立了教程交流群，欢迎小伙伴们扫码备注【SD 教程】入群探讨各类技术问题、分享应用效果↓

引用信息

本项目引用信息如下：

@misc{fish-speech-v1.4,
      title={Fish-Speech: Leveraging Large Language Models for Advanced Multilingual Text-to-Speech Synthesis},
      author={Shijia Liao and Yuxuan Wang and Tianyu Li and Yifan Cheng and Ruoyi Zhang and Rongzhi Zhou and Yijin Xing},
      year={2024},
      eprint={2411.01156},
      archivePrefix={arXiv},
      primaryClass={cs.SD},
      url={https://arxiv.org/abs/2411.01156},
}